基于人工神經網絡的遠程教育知識管理綜合評價模型研究

王悅

［摘要］遠程教育知識管理綜合評價是提高遠程教育機構知識管理水平的關鍵環(huán)節(jié)。為了確保評價的科學性和合理性,本文把人工神經網絡技術應用于遠程教育知識管理評價中,設計了評價指標及BP網絡結構,提出了多指標綜合評價模型。通過仿真實例對中國遠程教育機構的知識管理進行綜合評估,驗證了該模型的有效性。為遠程教育機構知識管理的正確評價提供了可能的途徑。

［關鍵詞］人工神經網絡;遠程教育;知識管理;綜合評價模型

［中圖分類號］G64［文獻標識碼］A［文章編號］1005-6432（2014）21-0048-04

1人工神經網絡評價遠程教育知識管理績效的原理遠程教育知識管理績效評價是一項復雜的多層次、多目標評價活動。由于影響評價有效性的相關因素很多,這些因素一般難以量化,而且遠程教育知識管理績效評價決定力量與管理質量之間映射關系是非常復雜的,很難明顯地表述。因此,評價是一件非常復雜的事情。如何才能做到既充分考慮評價專家的經驗和直覺思維的模式又能降低評價過程中人為的不確定性因素,既具備綜合評價方法的規(guī)范性又能體現出較高的問題求解效率。這是正確評價的關鍵所在。

把ANN應用于遠程教育知識管理的綜合評價,意在建立更加接近于人類思維模式的定性與定量相結合的綜合評價模型。ANN用于遠程教育知識管理綜合評價的基本原理是：將描述遠程教育知識管理的基礎指標的屬性值作為ANN的輸入向量,將代表綜合評價目標的結果作為ANN的輸出。然后用足夠多樣本向量訓練這個網絡,使不同的輸入向量得到不同的輸出值,這樣ANN所具有的那組權系數值便是網絡經過自適應學習所得到的正確內部表示。人工神經網絡通過信息樣本對神經網絡的訓練,使其具有人的大腦的記憶、辨識能力,完成各種信息處理功能,利用其良好的自學習、自適應、聯想記憶、并行處理和非線性轉換的能力,模擬并記憶出遠程教育知識管理評價指標和知識管理績效向量之間的關系,以此作為評價遠程教育知識管理績效的標準。同時,通過大量的試訓樣本使得模型向著理想狀態(tài)逼近。然后利用測試樣本對模型進行測試,直到感覺滿意為止。訓練好的ANN便可作為一種定性與定量相結合的有效工具,對不同機構的教育知識管理進行綜合評價。

2基于人工神經網絡的遠程教育知識管理評價模型

21遠程教育知識管理評價指標

設計評價指標是教育知識管理績效評估中的首要問題。從教育知識管理的內容、目標及職能出發(fā),借鑒國內外學者對知識管理評價指標體系的研究成果,結合遠程教育知識管理活動規(guī)律,并力求遵循科學性、系統性、層次性、可比性、可操作性原則,本文從知識管理重視度、基礎設施建設水平、人力資源管理知識化水平、知識檢測、評價和利用水平、綜合管理水平等方面確定遠程教育知識管理績效評價指標體系（見表1）。

表1遠程教育知識管理績效評價指標體系一級指標二級指標知識管理重視

程度X1知識管理戰(zhàn)略和預算的制定情況X11

CKO的職位與級別X12

激勵人員創(chuàng)造性的花費占總投入的比重X13基礎設施建設

水平X2人均計算機臺數X21

知識管理基礎設施投入占固定資產投資比重X22

網絡覆蓋率X23

基本信息數據庫建設水平X24人力資源管理

知識化水平X3職位技能和評價標準的設立X31

知識人員比例X32

年均人員培訓和教育成本X33

人員周轉率X34知識檢測、評價

和利用水平X4知識分類與標準化水平X41

多媒體軟件或課件開發(fā)水平X42

經驗與新方法數據庫建設水平X43

電子圖書的建設及利用水平X44

知識地圖的建設及利用水平X45

網絡教學資源的便利性X46

網上教學資源所占比重X47綜合管理水平X5安全防范措施X51

信息資源管理措施X52

規(guī)章制度完善程度X53對遠程教育知識管理進行評價時,從輸入層輸入教育知識管理指標評價體系。為使模型既有理論價值又有可操作性,本文在案例研究并結合有關文獻的基礎上選取7個較為典型的指標作為輸入神經元(χij),依次分別是：知識管理基礎設施投入占固定資產投資比重；人均計算機臺數；網絡教學資源的便利性；網上教學資源所占比重；知識人員比例；年均人員培訓和教育成本；激勵人員創(chuàng)造性的花費占總投入的比重。這7種因素的設置,考慮了概括性和動態(tài)性,力求全面反映遠程教育知識管理的主要因素。

22評價指標屬性值的量化

多目標評價中各目標間具有不可共度性,即各指標沒有統一的度量標準,難以進行比較,因此,在綜合評價前必須把這些分指標按某種隸屬度函數將其歸一化到某一無量綱區(qū)間。

指標屬性值的量化步驟：

（1）計算第j個分指標Zj的平均值j：

j=(∑mi=1χij)/m,j=1,2,…,n(11)

（2）分別按不同類型的指標計算中間變量:

①對效益型指標,記中間變量

Mij=xij-jj(12)

②對成本型指標,記中間變量

Mij=j-xijj(13)

③對區(qū)間型指標,記中間變量

當χij≤A,則Mij=xij-ΑΑ(14)

當χij≥B,則Mij=B-xijΒ(15)

當B≥χij≥A,則Mij=6(16)

式中A,B分別為區(qū)間型指標的最佳上下界

（3）原始指標按下式轉化到［-1,1］區(qū)間上的隸屬度函數值Yij:

Yij=1-e-Μij1+e-Μij(17)

顯然,Yij=f(Mij)是一條S形曲線,其曲線形狀如圖1所示。Mij反映了原始數據χij偏離平均值j的程度。當χij=j,則Mij=0；當χij＞j,則Mij＞0且Yij隨Mij的增長非線性遞增。

圖1S形轉換曲線

從上述轉換可以看出,對于效益型指標來說,當原始值χij大于平均值時，轉換后其隸屬度函數值大于0,原始值越大,隸屬度函數值越大,當原始值是4倍以上平均值時,隸屬度函數值接近“飽和”。這樣處理的好處是為了防止某一分指標隸屬度函數值過大,從而左右整個綜合指標。對于成本型指標,當χij越大時,其隸屬度函數值反而越小,取負值,當χij越小時,其隸屬度函數越大,取正值。

23綜合評價BP網絡的結構設計

遠程教育知識管理評價模型采用具有多輸入單元、單隱層單元和單輸出單元的三層BP神經網絡,其結構如圖2所示：

圖2遠程教育知識管理綜合評價BP網絡結構

圖2中,n,m分別表示輸入節(jié)點和隱含結點個數；

χi1,χi2，…，χin為論域U={u1,u2,…，un}上第i個樣本模式的評價指標屬性值,Yi1,Yi2,…，Yin為論域U上χi經相應隸屬函數量化后的評價值；

ωij(i=1,2，…，n;j=1,2，…，m)為輸入層第i個單元到第j個單元的連接權值；

ωj(j=1,2，…，m)為隱層第j個單元到輸出層的連接權值；Oi為樣本模式i的輸出。

綜合評價BP網絡模型的輸入結點數等于各個被評對象的分指標數目。對于各個輸入結點,分別輸入經隸屬度函數轉化后的第i個被評對象的各指標隸屬度函數值Yij(i=1,2，…，n;j=1,2，…，m)。隱層結點數的確定采用實驗湊試法。輸出層只有一個結點,代表第i個被評對象的總評價指標Oi。轉移函數選用f(x)=11+e-x

24學習樣本的確定與網絡訓練

一個學習樣本由輸入樣本和輸出樣本兩部分構成。輸入樣本為Y(i)={Yi1,Yi2,…，Yin}即被評對象各分指標的隸屬度函數值。輸出樣本Oi為綜合評價總指標,由下式確定：

Oi=∑nj=1ωj×Yij(18)

其中Yij是χij經上述轉換后的隸屬度函數值,ωj為綜合評價中各分指標的權重。顯然∑nj=1ωj=1,權重通常是依據公式(18),由專家組反復斟酌而定的。

把訓練樣本輸入網絡,利用該樣本對BP網絡的連接權系數進行學習和調整,以使網絡實現給定的輸入輸出關系。本文采用BP算法訓練網絡。

25綜合評價神經網絡的實現算法

通過樣本模式的訓練學習后,BP網絡就具有了樣本模式所包含的專家的知識,分布地存貯在BP網絡的權值之中,這樣,這個訓練好的BP網絡就可以用來對評價的對象系統做出綜合評價,再現評價專家的經驗和知識。

由此,得到評價的算法如下：

Step1指標屬性值的量化。即得出各分指標的隸屬度函數值；

Step2確定BP網絡結構,定義這些結構參數；

Step3把知識庫中的權重和閾值,給BP網絡的權重和閾值(ωij,ωjk,θj,θk)賦值；

Step4輸入待考核對象的隸屬度函數值,作為BP網絡的輸入值Yij；

Step5求出隱結點的輸出值：

Sj=∑ni=1ωijxi+θj(i=1,2,…，n;j=1,2,…，m)(19)

yj=1/［1+exp(-Sj)］(110)

求出輸出層的輸出值：

Sk=∑mj=1ωjkyj+θk(111)

Oi=1/［1+exp(-Sk)］(112)

Step6輸出考核結果Oi；

Step7是否還有待考核單位？

是：轉Step3繼續(xù)考核。

否：考核結束。

3仿真實例

本文運用基于神經網絡的遠程教育知識管理綜合評價模型對中國20家遠程教育機構的知識管理進行綜合評估,并與專家評估相比較以驗證模型的有效性。在實驗中,采用了MATLAB下神經網絡工具箱進行仿真模擬。實驗原始數據來源于《中國教育統計年鑒》。樣本的選取考慮了概括性和典型性,力求全面反映不同類型機構知識管理的水平,同時兼顧地區(qū)間的差異,盡量分布于不同省市地區(qū),體現地區(qū)的廣泛性。

依據本文所述方法,得到各分指標量化后的隸屬度函數值和綜合評價總指標的期望值。其中權重是由專家評判組反復斟酌而定。如表2所示。

表2各機構分指標量化后的隸屬度函數值及綜合評估指標Ji機構代號指標Yi1Yi2Yi3Yi4Yi5Yi6Yi7Jiω0201501501020150051048100940275-0289-02020169-009901032-0086-02540330-0185-0006-03320083-00713033403630215006009050652012604454-0537-0330-00670179-0786-0410-0213-037850075-0097-0179-0069010601170060000860684-01820455067500070322001102967-0680-0210-05330048-0499-0229-0008-03778-0565-0446-0555-0339-0834-0441-0256-05439057601700339018703770157006703131002960195-02700321-02770203-0021005411-0006025804510556-0085-013600710127120732069904600330091904670133061413-03390106-0235-03420313-03640005-011314-0672-0439-0223-0387-0715-0428-0135-048615012503050436-0149004904090014020316-0221-041002900179015901100091000917-0073-02570135-0305-0436-02370030-0185180574057201410004053300480056 03391902630129-031801070289-02280031006120-0195-0472-0466-0208-0217-0412-0057-0309

應用本文所述的方法,本例的輸入層共有7個節(jié)點,輸出節(jié)點1個,為綜合評價總指標。根據經驗和反復試驗,本實驗隱層節(jié)點數選取10。

將表2中的數據分為兩部分,前10組數據用作學習樣本,作為訓練神經元連接權值用,學習精度ε=10-4,后10組數據作為檢驗用。經過5200次的學習,其學習結果見表3。

表3學習結果機構代號12345678910訓練結果0102-00710447-038100080295-0376-054403150054期望輸出0103-00710445-037800080296-0377-054303130054相對誤差（%）097004507900340270180640

訓練結束后,給訓練好的BP網絡分別輸入校驗數據,得到高校教育信息資源管理綜合評價排序結果。見表4。

表4結果驗證及遠程教育知識管理評價排序高校代號11121314151617181920測試結果01260616-0114-048702020009-018403410061-0311期望輸出01270614-0113-048602030009-018503390061-0309相對誤差（%）07903408802104900540590065仿真排序41710368259專家排序41710368259

從表4中可以看出,利用神經網絡得到的輸出值與期望值之間的最大誤差為088%,遠程教育知識管理綜合評價排序與專家排序一致。由此可見,用神經網絡學習知識管理綜合評價專家知識,并用學習后的網絡對其他遠程教育機構的知識管理進行綜合評價能夠獲得滿意的結果。

基于神經網絡的遠程教育知識管理評價網絡不僅可以模擬專家對知識管理進行評價,而且還能夠很好地避免評價過程中的不確定性,實驗證明該模型能有效評價教育知識管理績效水平。既可用于某一地區(qū)、某一類機構教育知識管理系統的總體分析評價,也可用于某一機構或有關機構之間教育知識管理系統的前后對比或橫向對比,為比較遠程教育機構間知識管理水平、差距及其改進空間提供了一種可供借鑒的方法。本研究應用神經網絡進行遠程教育知識管理評價是一個新的嘗試,在教育知識管理評價指標和學習樣本的選取上還有待進一步完善。

參考文獻：

［1］焦李成鄙窬網絡系統理論［M］蔽靼:西安電子科技大學出版社,1990:92-114.

［2］J盬ang,B盡alakooti盇 Feedforward Neural Networks for Multiple Criteria Decision-Making ［J］ Computers & Ops盧es. 2009,23(2): 151-167.

［3］戴文戰(zhàn)被于三層BP網絡的多指標綜合評估方法［J］畢低徹こ湯礪塾朧導2010,19(5):33-40.

［4］F盨盬ang Fuzzy Neural Systems for Decision-Making［J］ Proc眔f IEEE Int盋onf眔n NNs 2010,10(11):1425-1634.

［5］張宏培本濟效益的隸屬函數綜合評價與分檔畢低徹こ湯礪塾朧導［J］2011,18(12):89-93.

［基金項目］本論文是北京市教委社科計劃面上項目的研究成果。